- Beta-VAE 具有 2 种行为:PCA 或 ICA?
通过展开瓶颈层,逐步将信息传递给解码器,Beta-VAE 模型实现了对解耦表示的学习。我们的实验表明,潜变量的总数对学习到的表示有影响,潜变量的数量少时,网络学习到的是最重要或主要的变量,而随着潜变量的数量增加,这些变量越来越解耦,表现为独 - 基于远程监督的检索式解耦
本文提出了一种基于语言远程监督的检索式分离框架,称为 Vocabulary Disentanglement Retrieval~(VDR),其依赖于生物编码器架构并具有解缠头,经过与其他基线方法的比较,VDR 在大多数任务中都表现优异,并提 - 解耦表示学习
本文综合性地回顾了基于直觉和群论的定义的 DRL,将 DRL 的方法学分为四组,最后分析了设计不同 DRL 模型的原则和未来研究方向。
- EMNLP低资源任务特定自然语言生成的解缠自编码器
本文提出了一种具有解缩先验的变分自编码器 VAE-DPRIOR,用于无或很少任务特定标记示例的特定任务自然语言生成。我们通过为隐藏内容空间引入条件先验和为隐藏标签空间引入另一个条件先验来执行分解表示学习,以应对跨任务的组合泛化,并展示了这些 - 对比分解时序变分自编码器
提出了一种称为对比去纠缠顺序变分自动编码器(C-DSVAE)的方法来进行自我监督的去纠缠表示学习,并使用对比估计的互信息以及简单且有效的数据增强技术来引入附加的归纳偏差。实验结果显示,C-DSVAE 在多个度量标准上显著优于现有的最先进方法 - 基于双阶段特征学习的人脸反欺诈解绑特征表示
提出一种新的双阶段解缠表示学习方法,可以更好地检测未见攻击类型,以防止过度拟合于预定义的欺骗攻击类型,并在多个交叉类型的面部反欺骗基准测试中表现出卓越的准确性。
- 一种新的双向无监督域自适应分割框架
本文介绍了一种基于 “分离表达学习” 的双向无监督领域自适应(BiUDA)框架,来提高医疗图像分析中深度学习模型在不同领域间迁移性能,实验结果显示该框架优于当前先进的方法。
- ICLR通过分解表示学习改进零样本语音风格转换
本研究提出了一种基于解缠表示学习的零样本语音转换方法,通过在输入语音的内容嵌入和目标样式嵌入之间进行组合来实现对新声音的转换,可以在无先验知识和非并行数据的情况下完成,方法在 VCTK 数据集上进行验证,并在许多对多和零样本实验上展现出了最 - ICLR构建基于群体的无监督表示解缠框架
本文提出了一个理论框架和一个基于现有 VAE 方法的模型,以实现无监督的分离表示,通过引入群论的概念,以第 n 二面角群为灵感,证明了模型、群结构和数据三个充分条件,在五个数据集上的实验证明,在群化后的 VAE 上相对于原始 VAE 的性能 - 使用 Wasserstein 自编码器学习解耦表示
该论文提出了 TCWAE 方法,使用 WAE 框架在潜在变量上分离了总相关项,从而在保持重构精度的同时提供了对学习表示的解缠结控制,同时在选择重构成本方面提供了更大的灵活性,并在已知生成因素的数据集上进行了大量的量化比较,取得了与最先进技术 - VATLD:一个可视化分析系统,用于评估、了解和改进交通信号灯检测
该研究提出了一种基于可视化分析系统 VATLD 的交通灯检测方法,该方法整合了解缠绕表示学习和语义对抗学习,以评估和改进自动驾驶应用中交通灯检测器的精度和鲁棒性。
- ECCV通过分离表示学习进行人脸反欺骗
本文提出了一种新型的人脸反欺诈方法,旨在通过解缠活体特征和内容特征从图像中提取最终进行分类的活体特征,并采用卷积神经网络和低层级和高层级监控的结合来提高其泛化能力,并在公共基准数据集上进行了充分的实验结果验证。
- 线性解缠表示和无监督动作估计
通过改变损失函数的设置,可以在 VAE 模型中诱导线性分离表示,这是一种理想的表示形式,符合经典分离指标,并提出了一种方法诱导不可约表示。
- KDD可解释的深度图形生成 —— 节点、边的协同解耦
本研究提出了一种新的解缠结生成模型的增强型框架,采用新的变分目标来解缠所有类型的潜在因子,并通过新的节点和边解缠架构进一步增强单因子的解缠度。定量定性实验表明,该模型扩展性强,能够高效地解决解缠在图像生成中的问题。
- ICMLControlVAE: 可控变分自编码器
提出控制变分自编码器框架 ControlVAE,该框架使用基于自动控制理论的控制器自动调节 VAE 目标中的权重,以改进生成模型的表现,并在语言建模,解缠杂表示学习和图像生成等三个应用中进行评估,结果表明 ControlVAE 可以实现更好 - CVPR多域解缠表示学习的跨域人脸攻击检测
提出了一种用于跨域人脸展示攻击检测的高效解耦表征学习方法:DR-Net 和 MD-Net。实验表明,该方法有效解决了传统方法中因训练集主体特征过拟合而导致无法很好地泛化到未知情景的问题。
- 促进独立性的图解开网络
本文提出了一种利用 Hilbert-Schmidt 独立准则以及邻域路由机制实现图卷积网络中的解缠编表示学习方法,能够提高结点表示的独立性,实验结果验证了该算法在半监督图分类、图聚类和图可视化等网络应用中的有效性。
- 生成模型中外观和视角的明确分离
通过一个双重潜在空间信息的生成模型,我们利用空间变换器和变分自动编码器构成了一种具有归纳偏差的 Variationally Inferred Transformational Autoencoder (VITAE) 方法用于实现解缠表示的学 - ACL具备语法样例的可控释义生成
本文提出一种新颖的任务,通过神经模块来控制句子的语法以及运用多任务训练的目标来提高表示学习,从而实现可控文本生成,并在基线实验的基础上实现性能的提升和捕捉理想特征。
- 朝着解缠表示的定义
本文提出了关于分解表示学习的一个定义,并利用群和表示论的形式,将对称变换与向量表示相连,为分解表示学习提供了一个更好的理论基础,在学习表示时启发了更好的算法设计。